Tóm tắt Đề án Thạc sĩ: Nghiên cứu mô hình học sâu cho nhận diện đồ bảo hộ trong quản lý trang trại điện gió

Ngành điện gió đang chứng kiến sự phát triển mạnh mẽ, kéo theo nhu cầu cấp thiết về an toàn lao động trong môi trường làm việc khắc nghiệt của nó. Việc giám sát thủ công thiết bị bảo hộ cá nhân (PPE) hiện nay bộc lộ nhiều hạn chế, kém hiệu quả và không đảm bảo kiểm soát toàn diện, dẫn đến nguy cơ tai nạn lao động cao. Nhận thức rõ tầm quan trọng của vấn đề này, nghiên cứu đề xuất ứng dụng công nghệ trí tuệ nhân tạo và nhận diện hình ảnh, đặc biệt là các mô hình học sâu tiên tiến như YOLOv8, để tự động hóa quy trình giám sát PPE. Mục tiêu là không chỉ giảm thiểu sai sót, nâng cao hiệu quả quản lý an toàn mà còn góp phần tạo dựng môi trường làm việc an toàn hơn cho người lao động tại các trang trại điện gió.

Các kỹ sư, nhà nghiên cứu trong lĩnh vực Khoa học Máy tính và Trí tuệ Nhân tạo, đặc biệt là những người quan tâm đến học sâu và thị giác máy tính. Ngoài ra, các nhà quản lý vận hành, chuyên gia an toàn và kỹ sư bảo trì trong ngành điện gió và các ngành công nghiệp nguy hiểm khác cũng là đối tượng độc giả mục tiêu.

Nghiên cứu này trình bày một giải pháp toàn diện nhằm nâng cao an toàn lao động tại các trang trại điện gió thông qua việc tự động hóa giám sát thiết bị bảo hộ cá nhân (PPE). Bắt đầu bằng việc đánh giá thực trạng giám sát PPE thủ công kém hiệu quả và tiềm ẩn nhiều rủi ro, luận văn đã xây dựng một hệ thống nhận diện PPE thời gian thực dựa trên các mô hình học sâu. Cụ thể, mô hình YOLOv8m được lựa chọn và phát triển nhờ khả năng cân bằng giữa độ chính xác và tốc độ xử lý vượt trội, đặc biệt trong việc nhận diện các vật thể nhỏ như găng tay trong điều kiện môi trường phức tạp của trang trại điện gió. Phương pháp nghiên cứu bao gồm việc thu thập dữ liệu hình ảnh đa dạng về tình trạng trang bị PPE, huấn luyện mô hình YOLOv8m, và tích hợp module nhận diện này vào hệ thống Vận hành và Bảo trì (O&M) hiện có thông qua API. Kết quả thử nghiệm thực địa cho thấy hệ thống đạt được độ chính xác đáng kể (Precision 87.2%, mAP 85.3% trong điều kiện tiêu chuẩn) và tốc độ xử lý nhanh, vượt trội so với các mô hình khác như YOLOv5 hay Faster R-CNN. Hệ thống có khả năng cung cấp cảnh báo tức thời và lập báo cáo thống kê, từ đó giảm thiểu tai nạn lao động, nâng cao hiệu quả quản lý an toàn và hỗ trợ doanh nghiệp tuân thủ các tiêu chuẩn quốc tế như ISO 45001. Nghiên cứu cũng đề xuất các hướng phát triển tương lai, bao gồm mở rộng dữ liệu, tích hợp công nghệ ổn định hình ảnh và mở rộng sang nhận diện hành vi nguy hiểm, góp phần hình thành một hệ sinh thái O&M thông minh, bền vững.